基于量子循环神经网络的金融资产定价方法、系统及存储介质与流程

技术特征：
1.基于量子循环神经网络的金融资产定价系统，其特征在于：所述系统包括顺次连接的预分类处理单元、数据转换单元、量子循环神经网络和优化单元；所述预分类处理单元用于基于量子k近邻算法对金融数据进行预分类处理；所述数据转换单元用于将预分类处理得到一维数据转换为多维张量数据；所述量子循环神经网络包括特征提取模块和分类模块；所述特征提取模块包括变分量子电路vqc，变分量子电路vqc包括顺次连接的编码层、变量层和量子测量层；所述编码层用于将多维张量数据进行编码得到量子态数据；所述变量层用于将量子态数据进行幺正量子操作；所述量子测量层测量每个量子位的概率的期望值，经泡利-z操作一个量子比特，并经过非线性激励函数和双曲正切函数得到特征向量；分类模块基于特征向量进行分类得到预测结果；优化单元用于基于贝叶斯模型对预测结果进行优化，基于历史数据、优化结果反向修正量子循环神经网络的参数，得到最终预测结果。2.根据权利要求1所述的基于量子循环神经网络的金融资产定价系统，其特征在于：所述特征提取模块具体包括6个变分量子电路vqc、一遗忘门f
t
、一输入门i
t
、一存储单元c
t
、一输出门o
t
、一隐藏状态h
t
，上一时刻隐藏状态h
t-1
与输入向量x
t
的和输入第一变分量子电路vqc1和第四变分量子电路vqc1，输出为各变分量子电路结束时从测量值中获得的四向量，并经非线性激活函数决定遗忘和更新。3.根据权利要求1所述的基于量子循环神经网络的金融资产定价系统，其特征在于：所述变量层包括多个量子cnot门和单量子位旋转门，所述cnot门用于对每一对固定邻接1和2的量子位产生多量子纠缠；所述单量子位旋转门用于在沿x，y和z轴方向上的3个旋转角度{α
i
,β
i
,γ
i
}事先不固定，再基于梯度下降法的迭代优化过程中进行更新。4.基于量子循环神经网络的金融资产定价方法，其特征在于：其包括以下步骤：基于量子k近邻算法对金融数据进行预分类处理；将预分类处理得到的一维数据转换为多维张量数据；将多维张量数据进行编码得到量子态数据；将量子态数据进行幺正量子操作；测量每个量子位的期望值，经泡利-z操作一个量子比特，并经过非线性激励函数和双曲正切函数得到特征向量；基于特征向量进行分类得到预测结果；基于贝叶斯模型对预测结果进行优化，基于历史数据、优化结果反向修正量子循环神经网络的参数，得到最终预测结果。5.根据权利要求4所述的基于量子循环神经网络的金融资产定价方法，其特征在于：所述预分类处理具体包括：基于待分类数据对应的目标值范围创建初始叠加态|ψ〉；基于量子计算确定k个近邻值的阈值θ；以叠加态中满足条件项的概率幅度最大，其他项的概率幅度减小，且总概率平方和始终归一进行重复态grover迭代，迭代次数为次，n表示训练样本集的样本总数；k表示设定的最近邻个数；
求解量子态数据集的预测分类结果。6.根据权利要求4所述的基于量子循环神经网络的金融资产定价方法，其特征在于：所述量子态数据表达式为：其中，表示每个基态与每一个量子q
i
的复数振幅，q
i
∈{0,1}；的平方表示测量后状态的测量概率，且7.根据权利要求4所述的基于量子循环神经网络的金融资产定价方法，其特征在于：所述将量子态数据进行幺正量子操作具体包括：基于cnot门对每一对固定邻接1和2的量子位产生多量子纠缠，并基于单量子位旋转门{r
i
＝r(α
i
,β
i
,γ
i
)}在沿x，y和z轴方向上的3个旋转角度{α
i
,β
i
,γ
i
}事先不固定，再基于梯度下降法的迭代优化过程中进行更新。8.根据权利要求4所述的基于量子循环神经网络的金融资产定价方法，其特征在于：获取特征向量的计算公式为：f
t
＝σ(vqc1(v
t
))i
t
＝σ(vqc2(v
t
)))o
t
＝σ(vqc4(v
t
))h
t
＝vqc5(σ
t
*tanh(c
t
))y
t
＝vqc6(σ
t
*tanh(c
t
))其中，f
t
表示遗忘门；i
t
表示输入门；表示当前单元格状态；c
t
表示存储单元；o
t
表示输出门；h
t
表示隐藏状态；y
t
表示特征向量；σ非线性激励函数；tanh表示双曲正切函数；v
t
表示在t时刻隐藏状态h
t-1
对其输入向量x
t
的输出；vqc
i
表示变分量子电路vqc。9.根据权利要求4所述的基于量子循环神经网络的金融资产定价方法，其特征在于：所述基于贝叶斯模型对预测结果进行优化具体包括：以量子循环神经网络的权重作为随机变量，对预测结果对应的训练数据集d进行贝叶斯优化，得到验后概率密度p(x|d,α,β,m)计算公式为：其中，x表示量子循环神经网络中包含的所有的权重值和偏置量；α,β均表示系数；m表示所选取的量子神经循环网络层数以及每层的神经元；p(d|x,β,m)表示似然函数；p(x|α,m)表示在α,m条件下x的条件概率；p(d|α,β,m)表示在α,β,m条件下x的条件概率；令噪声符合标准正态分布，根据似然函数更新验后概率密度计算公式，得到：
zf()表示关于α和β的函数；f(x)表示定义的正规化指标；基于贝叶斯分析后概率密度计算取得最优性能的量子循环神经网络对应的系数α、β，进而实现对量子循环神经网络的优化处理。10.一种存储介质，其上存储有计算机指令，其特征在于：所述计算机指令运行时执行权利要求4-9任意一项所述的基于量子循环神经网络的金融资产定价方法的步骤。

技术总结
本发明公开了基于量子循环神经网络的金融资产定价方法、系统及存储介质，属于量子计算技术领域，方法包括对金融数据进行预分类处理，基于量子循环神经网络对金融数据进行预测，基于贝叶斯模型对预测结果进行优化。本申请利用量子k近邻算法将收集到的金融数据进行预分类处理，使连续的金融时序数据转化为有界且离散的数据并且重复性更好，通过预分类后的QLSTM学习性能更优。本申请基于量子循环神经网络对金融数据进行计算，能够提升预测准确率与计算速率。引入贝叶斯模型正则化处理，能够有效进一步对量子神经循环网络的模型参数进行修正，并解决量子循环神经网络的过拟合问题，以此提升预测准确性。以此提升预测准确性。以此提升预测准确性。


技术研发人员：李晓瑜 刘恒宇 朱钦圣 吴昊 胡勇 昌燕
受保护的技术使用者：四川元匠科技有限公司
技术研发日：2022.01.26
技术公布日：2022/6/1